基于光谱—空间特征的ASTER影像岩性分类研究——以甘肃北山白峡尼山地区为例

遥感岩性制图是地质填图中的重要工作,基于光谱特征的岩性分类易受到色调、纹理等因素影响导致精度不佳。前人进行岩性自动分类研究多关注影像的光谱特征,而忽略空间特征,笔者等基于甘肃北山白峡尼山地区ASTER影像,将支持向量机、极限学习机两种机器学习分类方法与基于空间特征的快速漂移算法相结合进行岩性分类。结果表明支持向量机分类总体精度为89. 17%;极限学习机不但具有需调节参数少的优势,且分类精度和速度均优于支持向量机,分类总体精度达96. 70%;利用快速漂移算法提取的影像空间特征可有效减少错分区,提升岩性分类效果。研究证实将基于光谱特征的极限学习机和基于空间特征的快速漂移算法结合的岩性分类方法具有客观、高效、高精度等优势,可为后续地质填图和找矿勘查工作提供可靠数据支撑,在遥感岩性分类领域具有较高的推广价值。     

基于光谱—空间特征的ASTER影像岩性分类研究——以甘肃北山白峡尼山地区为例

遥感岩性制图是地质填图中的重要工作,基于光谱特征的岩性分类易受到色调、纹理等因素影响导致精度不佳。前人进行岩性自动分类研究多关注影像的光谱特征,而忽略空间特征,笔者等基于甘肃北山白峡尼山地区ASTER影像,将支持向量机、极限学习机两种机器学习分类方法与基于空间特征的快速漂移算法相结合进行岩性分类。结果表明支持向量机分类总体精度为89.17%;极限学习机不但具有需调节参数少的优势,且分类精度和速度均优于支持向量机,分类总体精度达96.70%;利用快速漂移算法提取的影像空间特征可有效减少错分区,提升岩性分类效果。研究证实将基于光谱特征的极限学习机和基于空间特征的快速漂移算法结合的岩性分类方法具有客观、高效、高精度等优势,可为后续地质填图和找矿勘查工作提供可靠数据支撑,在遥感岩性分类领域具有较高的推广价值。     

支持向量机方法在膨胀土分类中的应用

将支持向量机方法应用于膨胀土分类问题中,建立了膨胀土分类的支持向量机模型。以膨胀土实测数据为学习样本,经过训练,得到膨胀土的分类区间。应用该模型对剩余的膨胀土数据进行预测,预测结果表明支持向量机分类模型性能良好、预测精度高、简便易行,是膨胀土判别的一种有效方法,具有广阔的应用前景。     

支持向量机在砂土液化预测中的应用研究

介绍了人工智能领域最新的基于结构风险最小化原理的数据挖掘算法——支持向量机算法。根据支持向量机线性分类和可以具有不同核函数的非线性分类两种算法，建立了砂土液化预测模型，并且运用Matlab语言编写了程序。通过试算和分析比较得到了最佳模型，最佳模型的预测结果与实际液化情况基本上一致。认为支持向量机算法无论在学习或者预测精度方面都有很大的优越性，而基于支持向量机理论建立的砂土液化预测模型是可行的，且可以较为准确地实现砂土液化的预测。     

基于支持向量机和增强学习算法的岩爆烈度等级预测

岩爆烈度等级的准确预测对减轻乃至消除岩爆危害具有重要意义.针对岩爆烈度等级预测模型特征选取模糊和预测准确度不高问题,提出了一种ReliefF-Pearson特征选择下基于SSA-SVM-AdaBoost算法的岩爆等级预测模型.结合ReliefF的权值思想和Pearson系数的相关性原理对特征指标进行选择,利用麻雀搜索算法（SSA）优化支持向量机（SVM）以获得最优模型初始参数,将多个SSA优化后的SVM作为弱分类器组成自适应增强学习算法（AdaBoost）的强分类器.首先通过收集分析国内外岩爆案例数据,选取7种特征指标构成原始特征空间,然后利用ReliefF-Pearson从原始特征空间中筛选出4维优势特征,采用随机过采样对数据进行处理,最后将其输入到SSA-SVM-AdaBoost模型中进行分类预测.研究结果表明：基于ReliefF-Pearson的特征选择方法能够有效提取优势特征;基于多SSA-SVM的AdaBoost模型预测准确率相较于SSA-SVM和单层决策树AdaBoost模型均提高12.5%,相较于SVM提高31.25%,说明SSA-SVM作为弱分类器在分类性能上要优于单层...     

基于聚类-二叉树支持向量机的砂土液化预测模型

建立在统计学习理论基础之上的支持向量机（SVM）,是一种基于结构风险最小的小样本机器学习方法。经典的支持向量机主要针对二分类问题,而工程实践中遇到的往往是多分类问题。根据影响砂土液化的主要因素,采用聚类分析中的类距离思想,建立了基于聚类-二叉树的多类支持向量机的砂土液化判别模型。该模型可以通过有限样本的学习,建立砂土液化与各影响因素之间的非线性关系。研究结果表明,基于聚类-二叉树支持向量机的层次结构合理,分类精度高,泛化性好,可对砂土液化等级进行较准确判别     

喀斯特地区遥感影像解译新算法——支持向量机算法

现行的遥感影像解译方法有监督分类和非监督分类。在监督分类中有平行算法,最小距离算法、最大似然算法等,而支持向量机是监督分类中的一种新的算法。本研究选择贵阳市花溪区小碧乡局部地区为研究对象,采用SPOT数据,分别运用最大似然算法和支持向量机算法对研究区遥感影像进行解译。通过建立混淆矩阵,来计算分类精度和Kappa系数。结果表明:支持向量机具有分类精度高,分类图斑完整等优点;但在时间的消耗上,支持向量机算法要比最大似然算法长。对于这两种算法而言,都存在地物光谱特征明显相异的地物易于区别,光谱相似的地物容易造成错分的现象,然而支持向量机分类精度要比最大似然分类精度高一些。支持向量机对样本数量具有敏感性,样本数量过多将导致运算时间过长。因此在实际运用中应根据实际情况,选择适合的算法。      

基于决策树特征提取的支持向量机在岩性分类中的应用

由于支持向量机属于黑箱模型,因此在进行模型学习时无法直接对特征进行选择,而决策树模型在递归创建的过程中自身具有一定的特征选择能力。针对岩性分类问题,本文将决策树和支持向量机结合,通过决策树的建立,在考虑特征重要性的前提下,利用树节点的高度对特征进行提取,并将具有更高分类能力的特征送入支持向量机进行岩性分类。结果表明:通过决策树的特征提取,减少了支持向量机模型的输入特征,从而有效控制了模型的复杂度,使得模型更加稳定并具有更高的分类精度,测试集精度能够提升10%以上。     

基于Sentinel-1A雷达数据和Sentinel-2A多光谱数据特征融合的地物分类

基于光学影像受云雨等不良天气的影响,导致在地物分类时易造成数据信息缺失,而雷达影像作为主动式成像,能够较好地克服这一缺陷。笔者选取长春市净月开发区部分地块为研究区域,分别采用最小距离、最大似然和支持向量机3种分类方法,以Sentinel-1A雷达影像和Sentinel-2A多光谱影像为数据源,基于特征融合,提高地物分类精度。结果表明:特征融合后影像的地物分类精度较单一的光学影像有明显提高,且与最小距离和最大似然相比支持向量机分类精度最高。在无云层覆盖的情况下,融合后支持向量机分类精度达到97.94%,较光学影像提高8.11%;在有云层覆盖情况下,融合后支持向量机精度达到77.29%,较光学影像提高12.5%,尤其对水域和建筑区的识别精度有较大提高。     

支持向量机在遥感数据分类中的应用新进展

支持向量机是一种基于统计学习理论的新型机器学习算法,它通过解算最优化问题,在高维特征空间中寻找最优分类超平面,从而解决复杂数据的分类及回归问题.随着应用面的不断扩大,支持向量机在遥感领域也得到了广泛关注.该算法已经成功的应用于遥感数据的土地覆盖、土地利用分类,多时相遥感数据的变化检测,多源遥感数据信息融合等,并且在高光谱遥感数据处理中得到了广泛应用.综述了支持向量机算法在遥感数据分类中的应用.首先对支持向量机的理论进行简要介绍,进而综述了该算法在不同遥感问题中的应用进展,最后阐述了新型支持向量机算法的发展以及在遥感中的应用.     

Strength of ensemble learning in multiclass classification of rockburst intensity

Rockbust is a violent expulsion of rock due to the extreme release of strain energy stored in surrounding rock mass, leading to considerable damages to underground strucures and equipment, and threatening workers' safety. As the operational depth of engineering projects increases, a larger number of factors influence the mechanism of rockburst. Therefore, accurate classification of rockburst intensity cannot be achieved based on conventional criteria. It is urgent to develop new models with high accuracy and ease to implement in practice. This study proposed an ensemble machine learning method by aggregating seven individual classifiers including back propagation neural network, support vector machine, decision tree, k-nearest neighbours, logistic regression, multiple linear regression and Naïve Bayes. In addition, we proposed nine data imputation methods to replace the missing values in the compiled database including 188 rockburst instances. Five-fold cross validation and the beetle antennae search algorithm are used to tune hyperparameters and voting weights of the individual classifiers. The results show that the rockburst classification accuracy obtained by the classifier ensemble has increased by 15.4% compared with the best individual classifier on the test set. The predictor importance obtained by the classifier ensemble shows that the elastic energy index is the most sensitive input variable for rockburst intensity classification. This robust ensemble method can be extended to solve other classification problems in underground engineering projects.     

基于AdaBoost组合学习方法的岩爆分类预测研究

针对岩爆等级划分问题,考虑了岩爆灾害发生的多种主要影响因素,采用新的数据挖掘方法AdaBoost（即Adaptive Boosting）的组合学习方法,结合流行的人工神经网络BP算法,构建了集成神经网络AdaBoost-ANN（简称AB-ANN）的岩爆等级多分类预测模型。该模型克服了单一弱分类器的不稳定性,提高了分类器精度,实验结果表明,预测的结果与实际值比较吻合,证明了该方法的可行性。     

岩爆等级判定的距离判别分析方法及应用

将距离判别分析方法应用于岩爆等级判定问题。选用洞室围岩最大的切向应力σθ、岩石单轴抗压强度σc、抗拉强度σt、岩石弹性能量指数Wet作为岩爆等级判定的距离判别分析模型判别因子,以工程中实际岩爆情况及数据作为训练样本,进行分析计算,建立岩爆等级判定的距离判别分析模型。运用该分析模型对国内外工程实际岩爆情况进行判定,判别结果与工程实际完全相符。将该模型应用到诸（暨）永（嘉）高速公路括苍山隧道工程的岩爆情况预测中,判别结果与实际情况相符。研究表明,岩爆等级判定的距离判别分析方法,判别能力强,误判率低,是解决岩爆等级判定的一条有效途径。     

基于声音信号的室内岩爆动态预测方法

利用自主研发的真三轴岩爆试验机,在室内再现了应变型岩爆过程,并对岩爆过程中的声音信号进行监测。采用梅尔倒谱系数、谱质心、短时平均过零率等可定量化描述声音特性的组合指标作为岩爆过程典型破坏现象声音信号的特征提取信息,在此基础上结合适用于处理小样本、非线性分类问题的高斯过程机器学习方法,建立岩爆过程典型破坏现象识别的高斯过程模型,由此实现室内岩爆过程典型破坏现象的智能识别。进而,针对岩爆传统预测方法侧重于趋势预测而不能判别岩爆过程发展阶段的不足,采用智能识别+趋势预测的动态识别策略,以岩爆发生前夕的平静期、谐波均值、色谱向量均值等声音特征指标的变化规律作为岩爆前兆信息,提出一种多层次递进式的岩爆动态预测方法。室内岩爆的预测结果表明,该方法是可行的,为未来建立基于声音的现场岩爆预测方法奠定试验基础。     

基于组合赋权和未确知测度的深埋隧道岩爆危险性评价——以川藏交通廊道桑珠岭隧道为例

针对复杂山区深埋隧道岩爆危险性评价中的诸多不确定性因素问题,通过归纳分析典型高地应力条件下深埋隧道岩爆破坏特征及关键影响因子,从客观反映高地应力环境、岩石力学性能和围岩性质3个层面确定5项岩爆评价指标,利用未确知测度理论建立隧道岩爆危险性评价模型.为了充分考虑岩爆危险性评价的主观因素和客观因素,通过引入距离函数,采用熵权法和层次分析法相结合构建组合赋权法,综合确定各指标的权重系数.基于未确知测度理论及计算规则,结合岩爆危险性分级标准,构建直线型单指标测度函数,计算单指标测度评价矩阵和多指标测度向量,依照置信度准则进行岩爆危险性评价.将构建的岩爆危险性评价未确知测度模型应用于川藏交通廊道桑珠岭隧道,并与强度应力比法、Russenes判据、岩石脆性系数、岩体完整性系数、岩石弹性能指数等单指标判据评价结果及实际岩爆结果进行对比.研究结果表明:该模型评价结果的准确率达到94.4%,比单指标岩爆判据的准确率高16.7%~66.7%.      

基于谱聚类的救援提升车故障诊断方法

针对救援提升车结构复杂、工况故障数据独立性差、故障诊断难的特点,提出一种基于谱聚类的半监督支持向量机救援提升车故障诊断算法。该算法利用谱聚类的思想挖掘原始故障数据的隐藏特征信息,有效区分不同耦合程度的部件系统中故障信息的独立结构特征。首先根据原始输入数据建立故障图谱,然后通过建立拉普拉斯矩阵获取更加符合聚类假设的核函数,最后,建立半监督支持向量机模型,利用梯度下降算法求解最终分类结果。将上述算法应用于XCA30＿JY救援提升车工况故障诊断系统,通过搭建真实仿真环境,对采集到的工况数据进行分类,获取最终分类效果。为评价其性能,分别与传统支持向量机及梯度下降半监督支持向量机进行比较。实验结果表明：提出的算法对于救援提升车故障诊断具有较好的分类效果,救援提升车工况故障分类错误率降低至10.2%,可有效解决复杂工况故障诊断难题。由于本算法具备任意样本空间聚类及非凸函数优化求解能力,因此,除可广泛应用于车载故障诊断系统外,对于数据分类、模式识别等方面具有普遍的应用和指导意义。     

Least square support vector machine and relevance vector machine for evaluating seismic liquefaction potential using SPT

The determination of liquefaction potential of soil is an imperative task in earthquake geotechnical engineering. The current research aims at proposing least square support vector machine (LSSVM) and relevance vector machine (RVM) as novel classification techniques for the determination of liquefaction potential of soil from actual standard penetration test (SPT) data. The LSSVM is a statistical learning method that has a self-contained basis of statistical learning theory and excellent learning performance. RVM is based on a Bayesian formulation. It can generalize well and provide inferences at low computational cost. Both models give probabilistic output. A comparative study has been also done between developed two models and artificial neural network model. The study shows that RVM is the best model for the prediction of liquefaction potential of soil is based on SPT data.     

基于极限学习机的GF-2影像分类

遥感图像分类是提取图像有效信息过程中重要的一部分,为了探寻最优的分类方法,许多机器学习算法逐步应用于遥感分类中。极限学习机（extreme learning machine,ELM）以其高效、快速和良好的泛化性能在模式识别领域得到广泛应用。本文采用训练速度快、运算量小的极限学习机算法与支持向量机（support vector machines,SVM）算法和最大似然法进行分类对比,对高分辨率遥感图像进行分类,分析极限学习机算法对于遥感图像分类的准确度等性能。选取吉林省长春市部分区域的GF-2遥感数据,将融合后的影像设置为原始数据,利用3种方法进行分类。研究结果表明,极限学习机算法分类图像总体分类精度达到85%以上,kappa系数达到0.718,与其他分类方法相比分类准确度较高,且极限学习机运行时间比支持向量机运行时间约短2 480 s,约为支持向量机运行时间的1/8,因此具有良好的性能和实用价值。     

基于功效系数法的岩爆烈度分级预测研究

岩爆是高地应力区岩质隧道施工过程中经常发生的工程地质灾害,对其发生的可能性及其烈度分级预测一直是隧道工程世界性难题之一。基于功效系数法的基本原理,在综合考虑岩爆的关键影响因素基础上,选取?θ /?c 、?c /?t、Wet和Is作为评价因子,建立了一种新的岩爆烈度分级预测模型。利用国内外典型岩爆工程实例对所建模型进行检验,判别结果与实际岩爆等级相符,且与集对分析法和可拓方法判别结果基本一致,表明运用功效系数法对岩爆烈度进行预测是合理的、可行的。再运用功效系数法对苍岭隧道岩爆危险性进行判别,预测结果与实际情况一致,说明基于功效系数原理的岩爆预测新方法具有较高的准确性和可靠性,且简单、易懂、可操作性强,具有良好的工程应用前景。